Das Glioblastom ist der häufigste bösartige Hirntumor bei Erwachsenen und kehrt nach der Operation fast immer zurück. Forscher der University of California, San Francisco und der University of Michigan haben nun ein Modell auf Basis künstlicher Intelligenz entwickelt, das die wahrscheinlichen Rückfallstellen anhand des Gewebes aus der ersten Operation vorhersagt. Die räumliche Genauigkeit reicht bis auf wenige Millimeter. Das könnte Ärzten ein Zeitfenster öffnen, bevor ein neuer Tumor im MRT überhaupt sichtbar wird.
Ein Glioblastom wächst nicht als klar abgegrenzter Knoten, sondern schickt einzelne Tumorzellen wie feine Ausläufer in das umliegende gesunde Hirngewebe. Selbst wenn Chirurgen den gesamten sichtbaren Tumor entfernen und die Patienten anschließend Bestrahlung und Chemotherapie erhalten, bleiben solche Zellen in der Regel zurück. Die mittlere Überlebenszeit nach der Diagnose liegt bei etwa 17 Monaten. In den meisten Fällen bildet sich das Rezidiv, also der erneut auftretende Tumor, direkt am Rand der Operationshöhle oder in ihrer unmittelbaren Nähe. Bei den Patienten der aktuellen Studie vergingen bis zum ersten Rückfall im Mittel nur 5,5 Monate. Genau an dieser Stelle setzt die neue Arbeit an. Ist schon während der ersten Behandlung bekannt, an welchen Randbereichen die Gefahr am größten ist, lässt sich dort gezielter vorgehen, sei es mit dem Skalpell, mit Strahlen oder mit Medikamenten, die direkt am Ort wirken.
Grundlage des Ansatzes ist eine Technik namens stimulierte Raman-Histologie. Dabei wird frisches, unbehandeltes Gewebe direkt im Operationssaal mit Laserlicht abgetastet. Die unterschiedlichen Schwingungen der Moleküle in Fetten, Proteinen und Nukleinsäuren erzeugen ein mikroskopisches Bild, das in weniger als einer Minute vorliegt. Die herkömmliche Pathologie muss Gewebeproben dagegen erst aufwendig mit Farbstoffen behandeln, was deutlich länger dauert und mehr Arbeit erfordert. Diese Raman-Bilder wertet das KI-System FastGlioma aus, das Forscher der UCSF und der University of Michigan entwickelt haben. Es vergibt für jede Probe einen Wert, der angibt, wie stark das Gewebe von Tumorzellen durchsetzt ist. Das System wurde mit Bilddaten von mehr als 3.000 Patienten aus 13 medizinischen Zentren trainiert und kam bereits in einer früheren Studie aus dem Jahr 2024 zum Einsatz, in der es Chirurgen half, verbliebenes Tumorgewebe noch während des Eingriffs aufzuspüren.
Für die neue Untersuchung, die am 25. September in der Fachzeitschrift Science Advances erschienen ist, analysierte das Team um Erstautor Sanjeev Herr Gewebeproben, die bei der ersten Operation gezielt an den Rändern der Operationshöhle entnommen worden waren. Rund 300 Proben von 60 Patienten dienten dem Training des Modells, weitere rund 100 Proben von 20 Patienten wurden anschließend getrennt davon zum Testen verwendet. Insgesamt umfasste die Studie 84 Patienten, darunter 24 von der Medizinischen Universität Wien. Für jede Probe bestimmte FastGlioma den Grad der Tumorinfiltration. Diesen Wert kombinierten die Forscher mit klinischen Angaben, Befunden aus der Bildgebung und molekularen Merkmalen des Tumors und prüften die Kombination mit sechs verschiedenen Verfahren des maschinellen Lernens. Im Mittelpunkt stand die Frage, ob sich an genau der beprobten Stelle später ein Rückfall bildet.
Schon der KI-Wert für die Tumorinfiltration allein sagte etwa so gut wie die herkömmliche Pathologie voraus, welche Bereiche später erneut befallen wurden. Deutlich besser wurde die Vorhersage jedoch, als die Forscher alle verfügbaren Daten zusammenführten. Das beste der sechs Modelle konnte signifikant besser zwischen Stellen unterscheiden, an denen ein Rezidiv entstand, und solchen, die tumorfrei blieben. In fünf der sechs Modelle erwies sich der KI-Wert als stärkster einzelner Faktor und lieferte mehr Information als die molekularen Eigenschaften des Tumors, die in der Diagnostik sonst eine zentrale Rolle spielen. Auch räumlich war die Vorhersage präzise: Das Modell konnte gut abschätzen, ob der Krebs innerhalb von 5 oder 10 Millimetern um die jeweilige Probenstelle zurückkehrt. Die Forscher konzentrierten sich dabei bewusst auf den ersten Rückfall, weil Patienten später oft experimentelle Therapien erhalten, die das Tumorwachstum beeinflussen und weitere Vorhersagen unzuverlässig machen.
Nach Einschätzung der Autoren eröffnet das Verfahren mehrere Möglichkeiten. Liegt eine gefährdete Stelle in einem Bereich, der sich ohne Schaden für wichtige Funktionen entfernen lässt, könnten Chirurgen schon während der ersten Operation zusätzliches Gewebe herausschneiden. Befindet sich die Region dagegen in einem Teil des Gehirns, der für Sprache, Bewegung oder andere Funktionen unverzichtbar ist, kämen andere gezielte Verfahren infrage. Dazu zählen eine höher dosierte, auf den vorhergesagten Ort konzentrierte Bestrahlung oder Medikamente, die über einen durch den Schädel gelegten Katheter direkt in das Tumorbett geleitet werden. Übergeordnetes Ziel ist, den ersten Rückfall hinauszuzögern. Todd Hollon, der an der University of Michigan ein Labor für maschinelles Lernen in der Neurochirurgie leitet und zu den leitenden Autoren gehört, verbindet damit die Hoffnung, dass ein längeres rückfallfreies Intervall auch das Überleben verlängert. Belegt ist dieser Zusammenhang für das neue Verfahren bislang allerdings nicht.
So vielversprechend die Ergebnisse sind, die Studie hat klare Einschränkungen. Die klinischen Angaben der Patienten wurden rückblickend aus Krankenakten gewonnen, und die Zahl der Teilnehmer ist mit 84 vergleichsweise klein. Das Training erfolgte an einer einzigen Klinik, sodass offen bleibt, wie gut das Modell in anderen Krankenhäusern mit anderen Operationsabläufen funktioniert. Zudem liefert die Vorhersage nur Aussagen für die tatsächlich entnommenen Proben, nicht für den gesamten Rand der Operationshöhle. Die Preprint-Fassung der Studie beschreibt außerdem, dass die Testgruppe eine interne Kohorte war, also ebenfalls aus derselben Einrichtung stammte. Ob eine gezielte Behandlung der vorhergesagten Stellen den Patienten tatsächlich nützt, müssen erst klinische Studien zeigen, in denen behandelte und unbehandelte Gruppen miteinander verglichen werden.
Unabhängig von der Rückfallvorhersage zeigt die Arbeit, wie stark schnelle optische Verfahren die Arbeit im Operationssaal verändern. Statt auf das Ergebnis einer Schnellschnittuntersuchung aus der Pathologie zu warten, können Operateure ein Gewebebild in weniger als einer Minute erhalten und es direkt von einer KI bewerten lassen. Bei der Entscheidung, wie viel Gewebe entfernt werden darf, zählt jede Information, denn jede zusätzliche Entfernung muss gegen das Risiko abgewogen werden, gesunde Hirnfunktionen zu beeinträchtigen. Das Glioblastom gehört zu den Krebsarten, bei denen sich die Prognose seit Jahren nur wenig verbessert hat, weshalb jede Methode, die verbliebene Tumorzellen sichtbar macht, auf großes Interesse stößt. Die Kombination aus schneller Bildgebung, KI-Auswertung und klinischen Daten könnte künftig auch bei anderen Tumoren helfen, deren Ränder sich schwer erkennen lassen. Wie sich das Verfahren in der klinischen Routine bewährt, ist bislang allerdings offen.
Science Advances, Optical microscopy predictions of focal recurrence in glioblastoma; doi:10.1126/sciadv.aec8202